Machine Learning in R: Lý thuyết và thực hành mô hình dự đoán

Học máy là động lực đằng sau việc ra quyết định dựa trên dữ liệu hiện đại, nhưng viết mã mà không hiểu lý thuyết nền có thể dẫn đến các mô hình không đáng tin cậy. Bạn sẽ chuyển từ người mới bắt đầu sang một người thực hành tự tin có khả năng chuẩn bị dữ liệu, chọn các thuật toán đúng, và đánh giá hiệu suất mô hình bằng R. Bằng cách tập trung vào cả "làm thế nào" và "tại sao", bạn sẽ phát triển trực giác phân tích cần thiết để giải quyết các vấn đề dự đoán và nhóm thực tế. Bạn sẽ học được: - Hiểu các nguyên tắc lý thuyết cốt lõi đằng sau các thuật toán học có giám sát và không giám thị. - Xây dựng mô hình hồi quy và phân loại dự đoán sử dụng hệ sinh thái R hiện đại như tidymodels và caret. - Thực hiện các kỹ thuật nhóm không giám sát, bao gồm k-means và nhóm cấp bậc, để khám phá các mô hình ẩn. - Chuẩn bị và dọn dẹp các tập dữ liệu thô bằng cách sử dụng các luồng công việc tidyverse để huấn luyện mô hình tối ưu. - Đánh giá hiệu suất mô hình bằng cách sử dụng các thước đo mạnh, xác minh chéo và ma trận lẫn lộn. - Ứng dụng các phương pháp tổng hợp như Rừng ngẫu nhiên và Máy vector hỗ trợ cho các vấn đề dữ liệu phức tạp. Chương trình bắt đầu với những thuật ngữ cơ bản về học máy và những nguyên tắc cơ bản của việc chuẩn bị dữ liệu trước khi hướng dẫn bạn qua các giải thích viết từng bước về mô hình dự đoán và các kỹ thuật nhóm. Bạn sẽ luyện tập bằng cách đọc các phân đoạn khái niệm, phân tích các đoạn mã, và hoàn thành các bài tập viết có cấu trúc. Lớp học này được thiết kế cho các nhà khoa học dữ liệu, nhà phân tích và nhà nghiên cứu mới đến học máy và muốn xây dựng một nền tảng lý thuyết và thực tiễn mạnh mẽ bằng cách sử dụng R. Không cần kinh nghiệm học máy trước đó, mặc dù một sự quen thuộc cơ bản với cú pháp R là hữu ích. Bắt đầu đọc ngay hôm nay để giải phóng sức mạnh của mô hình dự đoán và tập hợp trong R.